Data Science in einem Schuhgeschäft: Prognostiziertes Kundenverhalten und Steigerung der Website-Conversions um 16%

Der russische Schuhhersteller Mario Berluchi automatisierte das Marketing, führte Mechaniken ein, die in Online-Shops bekannt sind, hörte aber nicht damit auf und startete die Richtung von Data Science. Jetzt verwendet das Geschäft Algorithmen für maschinelles Lernen, um die Aktionen des Kunden vorherzusagen: Was wird er tun, nachdem er einen Artikel in den Warenkorb gelegt hat - ob er kauft oder geht und wenn er geht, wenn er zurückkommt.



Vorhersage hilft, den Kunden zum richtigen Zeitpunkt zum Kauf aufzufordern oder ihn umgekehrt nicht zu berühren, wenn er kauft und so weiter. Im Rahmen des AB-Tests haben prädiktive Mechanismen zur Personalisierung von Websites dazu beigetragen, die Conversion-Rate des Online-Shops um 16,5% und des ARPU um 35,7% im Vergleich zur Kontrollgruppe zu erhöhen.



Azamat Tibilov, Chief Marketing Officer von Mario Berluchi, spricht über Vorhersagemechanik, Ergebnismessung, die Geschichte des Data Science-Geschäfts und gibt Tipps für Online-Händler, die ihren Umsatz auch durch nützliches datengesteuertes Marketing steigern möchten.

Mario Berluchi ist ein russischer Hersteller von Schuhen, Taschen und Accessoires mit fünf Offline-Shops in Moskau und einem Online-Shop.



Rahmen. 200.000 Site-Besucher pro Monat.



ES. Site auf Bitrix, Backoffice auf 1C, Client-Datenplattform Mindbox.



Aufgabe. Steigern Sie Ihren Umsatz, indem Sie mit gesammelten Daten arbeiten.



Ergebnis. Ein Anstieg der Website-Conversion um 16,5% im AB-Test, ein Anstieg des ARPU um 35,7% und ein Rückgang des Anteils verlassener Warenkörbe um 17,2%.

Funktionsweise der prädiktionsbasierten Website-Personalisierungsmechanismen

Wenn ein Kunde die Website besucht, zeichnen wir seine Aktionen auf und führen sie über den Vorhersagealgorithmus aus: "In der aktuellen Sitzung kaufen oder nicht kaufen" und "Innerhalb von 7 Tagen zurückkehren oder nicht zurückkehren". Die Vorhersage wird alle 10 Sekunden für jeden Client neu berechnet.



Mechanik-Auslösebedingungen:

• Wenn sich Artikel im Warenkorb befinden,
• Wenn kein Rabattgutschein angewendet wurde,
• wenn die vorhergesagte Kaufwahrscheinlichkeit weniger als 30% beträgt,
• wenn der Kunde voraussichtlich nicht innerhalb von 7 Tagen zurückkehren wird.

Wenn die Bedingungen erfüllt sind, sieht der Kunde ein Popup im Warenkorb und entscheidet, ob er das Produkt in der aktuellen Sitzung kauft oder nicht: Das







Popup erscheint im Warenkorb, wenn der Kunde gemäß der Vorhersage des Algorithmus keine Bestellung in der aktuellen Sitzung aufgibt und später nicht zurückkehrt

Ergebnisse der prädiktiven Mechanik

AB-Tests mit 95% iger Sicherheit

Ein Teil der Kunden innerhalb des Tests war in der Kontrollgruppe und sah das Popup nicht - für sie waren die Mechaniker ausgeschaltet und der andere Teil sah. Wir haben Conversion, ARPU und Wagenabbruch in diesen Gruppen verglichen - wir haben statistisch signifikante Ergebnisse mit 95% iger Sicherheit erhalten:

↑ 16,5%

Zunahme der Website-Conversion im Vergleich zur Kontrollgruppe mit der T-Test-Methode



↑ 35,7%

ARPU-Wachstum mit der Bootstrap-Methode



↓ 17,2%

Verringerung des Anteils verlassener Wagen mit der Z-Test-Methode

Vergleich von Umrechnungen und ARPU: im Mai 2019 und Mai 2020 - nach Einführung der Vorhersagemechanik

Konvertierung vor und nach der Implementierung der Vorhersagemechanik





ARPU vor und nach der Implementierung der Vorhersagemechanik

Warum haben Sie die Data Science-Richtung gestartet?

Zunächst wollten wir End-to-End-Analysen erstellen, um die Qualität der Werbekanäle im Zusammenhang mit realen Einkäufen zu bewerten, da 50% der Bestellungen in der Bestätigungsphase „abfallen“.



Für End-to-End-Analysen mussten Benutzerverhaltensdaten in der Google BigQuery-Datenbank erfasst werden. Zusätzlich zu den Standardbenutzeraktionen - Hinzufügen eines Artikels zum Warenkorb, Besuch einer Produktkarte, Kauf - haben wir viele weitere Aktionen mit dem Inhalt der Website gesammelt - Treffer. Täglich wurden mehr als 20.000 Trefferzeilen gesammelt, und diese Daten wurden in unserer Datenbank gespeichert, für die wir natürlich bezahlt haben.



Bei unserem Datenverkehr - mehr als 200.000 Benutzer pro Monat - gab es genügend Daten, und wir führten Standardanalysen durch, z. B. Benutzeraktionen mit Inhalten nach Änderungen oder Käufe nach Werbeaktionen. Anschließend führten wir eine Brainstorming-Sitzung mit dem Eigentümer des Unternehmens durch und beschlossen, zusätzlich zu einfachen Analysen und AB-Tests etwas Interessanteres zu erstellen: Versuchen Sie, das Kundenverhalten auf der Website mithilfe von Algorithmen für maschinelles Lernen anhand unserer historischen Daten vorherzusagen. Wir behandeln solche Ideen als ein internes Produkt, in das wir bereit sind, Geld und Zeit zu investieren, um später Ergebnisse zu erzielen - das Wachstum von Geschäftsmetriken.



Infolgedessen wurde die Abteilung Data Science zusammengestellt und in sechs Monaten ein Mechaniker implementiert, der Benutzeraktionen vorhersagt, was den Umsatz steigerte. So haben wir einen neuen Geschäftsbereich entdeckt, der uns mehr als 30% unseres Umsatzes einbringt und sich gut auszahlt.

Welche Spezialisten wurden für Data Science benötigt?

In jeder Phase des Starts eines Vorhersagemechanikers arbeiten Spezialisten mit unterschiedlichen Funktionen, jedoch aus verwandten Bereichen. Unsere Mitarbeiter:



Analyst. Analysiert Daten, findet Anomalien und führt AB-Tests durch.



Zwei Datenwissenschaftler. Sie schreiben Algorithmen, die prädiktive Antworten in Form der Wahrscheinlichkeit einer bestimmten Benutzeraktion auf der Site zurückgeben.



Vermarkter. Entwickelt und startet Mechanik mithilfe von Algorithmen.



Entwickler. Implementiert Mechaniken und Algorithmen auf der Site.

Wie die Vorhersagemechanik funktioniert

1. Wir markieren die Rohdaten von Google Analytics mit Google Tag Manager und verwenden OWOX BI-Streaming, um Daten in der Google BigQuery-Datenbank zu sammeln. Diese Schritte nehmen wenig Zeit in Anspruch - ab der ersten Minute können Sie sehen, wie die Daten in die Datenbank passen.



2. Der Analyst untersucht, wie die Daten mit dem Benutzerverhalten übereinstimmen. Bei Bedarf werden Verteilungsdiagramme erstellt und überprüft, wie hochwertig sie sind und ob Schwänze vorhanden sind. Wenn Fehler gefunden werden, ändern wir die Streaming-Einstellung oder bereinigen die Daten, da es beim maschinellen Lernen unmöglich ist, mit schmutzigen Daten zu arbeiten.



3. Data Scientists erstellen Features (Feature Engineering) aus Besuchen und Inhalten, z. B. die Anzahl der angezeigten Produkte, die Anzahl der zu Favoriten hinzugefügten Artikel und die Anzahl der pro Sitzung zum Warenkorb hinzugefügten Artikel.





Verteilung der Gewichte der Algorithmusmerkmale - auf ihrer Grundlage prognostizieren wir das Verhalten des Kunden.



4. Trainieren Sie das Modell anhand historischer Daten. Angenommen, wir möchten vorhersagen, ob der Benutzer die nächste Sitzung hat oder innerhalb von 7 Tagen zu uns zurückkehrt. Dazu nehmen wir historische Daten, Zeichen - und implementieren den Algorithmus. Für die Vorhersage verwenden wir die Klassifizierung - die Binomialantwort in Form von 1 oder 0.



5. Wir validieren das Modell anhand historischer Daten: Prognosegenauigkeit, Geschäftsmetriken.



Zunächst betrachten wir den Anteil der Genauigkeit (Anteil der richtigen Antworten) und der ROC-AUC (Bereich unter der Fehlerkurve):







Genauigkeit 0,88 bedeutet, dass wir in 88% der Fälle genau vorhersagen, ob der Benutzer zurückkommt oder nicht. Präzision - Wie viel von der Vorhersage, dass der Benutzer zurückkehren wird, war korrekt. Erinnern Sie sich - über welchen Anteil der realen Renditen wir vorhergesagt haben.





Wir verwenden AUC ROC (Bereich unter der Fehlerkurve), um die Leistung des Algorithmus an einer Datenprobe zu bewerten.



Zusätzlich zu den Antworten der Algorithmen 1 und 0 gibt es auch eine Wahrscheinlichkeit der Aktion in Prozent. Und hier legen wir einen Schwellenwert fest: Wenn die Wahrscheinlichkeit, dass ein Benutzer zurückkehrt, mehr als 30% beträgt und diese Benutzer am häufigsten zurückkehren, lautet die Antwort 1.



6. Sagen Sie die Aktionen des Benutzers voraus.



7. Der Vermarkter entwickelt die Mechanik für die Anwendung der Prognose.



8. Wir starten den AB-Test - nur für neue Benutzer, die unsere Site gerade kennengelernt haben. Der Test dauert ungefähr drei Wochen und während dieser Zeit beobachten wir, wie sich der kumulative p-Wert ändert. Irgendwann wird der Unterschied zwischen den Gruppen signifikant. Wir wissen, dass der Test bald abgeschlossen und die Mechanik in die Produktion eingeführt werden kann.



9. Der Analytiker misst die Ergebnisse der Mechanik.

Basierend auf den Kundendaten funktioniert die Vorhersage

Besuchsbasiert. Basierend auf Aktionen auf der Website: Anzeigen von Produktkarten, Hinzufügen von Produkten zum Warenkorb, Einkaufen.



Inhaltsbasiert. Basierend auf Aktionen mit Site-Inhalten. Zunächst sammeln wir Daten zu Benutzeraktionen: Öffnen einer Größentabelle, Hinzufügen eines Produkts zu Favoriten, Lesen von Bewertungen. Anschließend untersuchen wir, wie sich diese Aktionen auf Proxy-Metriken auswirken (Zwischenkonvertierungen vor der Bestellung). Dies ist erforderlich, da diese Metriken mehr Daten als Bestellungen enthalten. Anschließend untersuchen wir die Korrelation von Proxy-Metriken mit Kaufkonvertierungs- und Absprungraten.



Die besuchsbasierten und inhaltsbasierten Ansätze überschneiden sich. Bei Besuchen bewerten wir jedoch das Nutzerverhalten und bei Inhalten den Inhalt selbst.



CRM-basiert. Anreicherung von Daten aus dem CRM-Onlineshop, Verfolgung der Kaufhistorie.

Online-Einkaufstipps

1. Analysieren Sie die Daten, auch wenn Sie ein kleiner Online-Shop sind. Wachstumspunkte sind in den Daten verborgen, mit denen Sie Ihr Unternehmen auf die nächste Ebene bringen können. In der heutigen Welt mit einem enormen Wettbewerb im digitalen Bereich ist es unmöglich, das Problem des Unternehmenswachstums mit einer banalen Geldspritze zu lösen.



2. Das Wachstum der Conversion, eine wichtige Kennzahl eines Online-Shops, ist der stärkste Faktor für die Entwicklung Ihres Unternehmens.



3. Haben Sie keine Angst, eine Infrastruktur aufzubauen und neue Technologien in Ihr Unternehmen einzuführen. Die Einführung des maschinellen Lernens ermöglicht es Ihnen, einen Schritt nach vorne zu machen und sich von der Konkurrenz abzuheben.



4. Lernen Sie, den ROI aus Investitionen in neue Technologien zu berechnen. Die meisten Unternehmen haben Angst, ein Budget für neue Tools bereitzustellen, weil sie nicht vollständig verstehen, wie sie davon profitieren werden.

Weitere Pläne für die Marketingentwicklung

Jetzt haben wir eine dynamische Preisgestaltung in unserer Arbeit - wir werden bewerten, wann ein Rabatt auf welches Produkt gewährt werden soll oder umgekehrt, um es nicht zu gewähren. Es klingt alles einfach: Das Produkt wird oft gekauft - wir geben keinen Rabatt, kaufen selten - wir geben. Aber wir gehen etwas tiefer und weiter - wir schauen, wo dieses Produkt im Katalog war, an welchen Marketingmechanismen es teilgenommen hat, wie oft dieses Produkt angesehen wurde, wie oft es in den Warenkorb gelegt wurde.



Der nächste Schritt ist die dynamische Preisgestaltung für jeden Benutzer.

So replizieren Sie Vorhersagemechaniken in Ihrem Online-Shop

Wir entwickeln eine Zusammenarbeit mit Mindbox und bieten Plattform-Kunden die Implementierung unserer Vorhersagemechanik. Wenn Sie es in Ihrem Online-Shop wiederholen möchten, schreiben Sie an Ihre Kollegen.



***



Autoren:

Azamat Tibilov, Mario Berluchi, Marketingdirektorin

Maria Baikauskas, Mindbox-Managerin

Sema Syomochkin , Mindbox-Redakteurin